- 186
- 301 159
Центр digital профессий ITtensive
Russia
Registrace 26. 07. 2019
Центр digital профессий ITtensive ускоряет получение технологических знаний и помогает освоить конкретные профессии будущего: специалист по большим данным, инженер машинного обучения, python-разработчик, инвестиционный аналитик и многих других.
BiLSTM и ConvLSTM
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
zhlédnutí: 545
Video
GRU
zhlédnutí 443Před rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
LSTM
zhlédnutí 1,5KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
RNN
zhlédnutí 808Před rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Стационарность
zhlédnutí 1,1KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Дрейф данных
zhlédnutí 492Před rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Анализ временных рядов
zhlédnutí 1,1KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Авторегрессия
zhlédnutí 2,3KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
SARIMA(X)
zhlédnutí 1,3KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
ADL и VAR
zhlédnutí 737Před rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
ARIMA
zhlédnutí 3KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
ARMA
zhlédnutí 1,2KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Сигнал и шум. Цвета шума
zhlédnutí 950Před rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Метод экспоненциального сглаживания
zhlédnutí 3,2KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Скользящие средние
zhlédnutí 1,9KPřed rokem
Запишетесь на полный курс Машинного обучения на Python по адресу support@ittensive.com
Не понял про софтмакс - если функция активации находится в нейроне - как получается результат сразу со всеэ нейронов?
Не математик, первый раз слышу, но поняла, что именно так строятся биржевые графики за день, неделю и тд, и другие компьютерные индикаторы, спасибо
код пайтон выглядит так: def mse(y_true, y_pred): return (y_true - y_pred) ** 2
Hello let's trade
Очень круто и коротко и понятно, спасибо!!!!
Огонь, пойду закрывать пробелы в логарифиах😂
Спасибо вам! Просто и понятно.
Спасибо!
Было бы круто, если бы раскрыли еще тему экстраполяции для распределений. Очень интересна тема распределения Вейбула или Пирсона, как наиболее часто встречаемая в наблюдениях с временными данными. Спасибо
У вас так хорошо получается объяснять, не забрасывайте, пожалуйста
Случайно кликнул и прослушал целую длинную лекцию по XAI (Объяснимому ИИ). Очень советую! Получил массу практических идей для решения текущих прикладных задач.
Идеально! Плотность информации в единицу времени, подача, речь. Лектор топчик! Говорю как выпускник матшколы и МГУ, заставший еще академика Ильина В.А. в качестве лектора и экзаменатора ))
-Бог есть? - 50%
Благодарю вас!
Этапы ETL: 1:17 1. Получение данных 1:34 2. Очистка данных/заполнение пропусков 3:52 3. Объединение даных
0:24 первичный анализ данных
спасибо
4:43 5:38
2:49 ! 3:10 3:20 4:24 5:05 !
Причины недообучения (ошибок) 2:03: 0:32 0:44 0:55 1:08 3:10 Переобучение 6:36 Ансамбли моделей 9:40
2:34
3:20
1:00 1:40 2:05 3 основных аспекта подготовки данных 2:09 1. Нормирование данных 3:14 4:09 при наличии отрицательных чисел диапазон получается [-1; 1] и почему не использовали более простую формулу нормирования - x/max (тоже ведь все значения будут в пределах данного диапазона)? 4:37 z-нормализация 5:24 зачем нужно 6:23 2. Категориальные данные 6:30 Приведение к единичным векторам 8:28 8:42 3. Циклические параметры 9:27 Тригонометрические функции 11:38 12:35
2:01 типы распределений 3:30 3:50 4:38
2:10 типы данных
0:53 арифмет. прогрессия/геометр. прогрессия
Когда новый видео???
Здорово, понял на буквах объяснение, но на цифрах всегда полезно посмотреть
Спасибо
Классный урок
Can you speak English?
Спасибо большое, очень полезно и интересно
а как веса нейросети обновлять? надо обновлять случайно, если результат хороший, то повторяем действие остальные также с небольшими изменениями, так?
опа
Спасибо!
Про OPTICS мало информации в интернете. Спасибо, что делитесь.
по этой теме даже на английском мало материала, респект за понятное объяснение
Спасибо за понятное объяснение материала!!))
Надо учитывать, что этот метод подходит только для шаровых кластеров, для ленточных кластеров данный метод даст неверный результат.
Понятные объяснения, спасибо, с Новым Годом.
спасибо большое!
Здравствуйте, подскажите как можно зная точки аппроксимировать их в y=a/x+bx функцию??
методом наименьших квадратов ;)
обучите линейную регрессию в признаковом пространстве [1/x, x]
Очень понятно объясняет!
Хорошее объяснение. За старание коммент и лайк. Продолжайте в том же духе!
Хорошо объяснил, понятно что и зачем. Благодарю.
Вы очень понятно объясняете. Спасибо!
а где можно посмотреть про энтропию от вас, не нахожу?
Я третий
Большое спасибо за выпуск. Интересно и очень доступно 👍
Как же айтипедия похорошел